[发明专利]一种基于改进BPNN的网络安全态势预测方法

摘要

本发明涉及网络安全评估技术领域，特别涉及一种基于混沌理论与神经网络相结合的网络安全态势预测方法，包括：采用互信息法和cao氏法对归一化后的网络安全态势值序列集合进行处理得到网络安全态势样本值的最佳嵌入维数并进行相空间重构，分析重构后样本的最大李雅普诺夫指数来得到评估出来的样本是否具有混沌预测性；根据非线性时间序列的特点与经验确定反向传播神经网络的输出层与隐含层的节点数；利用改进的萤火虫算法进行参数寻优，从而确定网络权值和偏置值，建立网络安全态势的预测模型；测试集样本输入到BP神经网络中进行预测，并将得到的预测值反归一化；本发明能够较精确地对网络安全态势进行预测，同时能够提高网络安全态势预测收敛速度。

主权项

1.一种基于改进反向传播神经网络BPNN的网络安全态势预测方法，其特征在于，包括以下步骤：步骤1，对采集的漏洞、流量、入侵检测系统数据进行态势要素获取，并通过层次化网络安全态势评估量化方法对收集到的态势要素信息进行评估量化处理；步骤2，运用极值化公式对量化后产生的非线性时间序列态势值进行预处理，再寻找嵌入维数与延迟时间进行相空间重构，并通过计算该非线性的时间序列的李雅普诺夫指数来确定是否有可预测性；步骤3，将空间重构得到的态势值样本分为训练集与测试集；步骤4，根据非线性时间序列的特点与经验BPNN的输出层与隐含层的节点数，设定输入层节点数为嵌入维数，从而确定神经网络的结构，并初始化BPNN的向量参数Θ；步骤5，采用改进萤火虫算法IGSO对BPNN进行参数寻优，从而确定网络权值和偏置值，建立网络安全态势的预测模型；步骤6，将测试集输入至有权值和阈值的BPNN中，得到预测值，最后再将其反极值化，得到最终的态势值；所述步骤5进一步包括以下步骤：步骤51，将萤火虫群的个体位置映射为BPNN的向量参数Θ，并指定种群内萤火虫个体的数目，对所有的个体进行随机实数编码，使得萤火虫种群均匀分布在D维的搜索空间里；步骤52，初始化IGSO算法的参数，其中包括：最大迭代次数tmax、最小移动步长smin、最大移动步长smax、萤火素更新参数ρ、适应度函数参数γ、萤火素初始值l0、萤火虫感知范围rs；步骤53，按照IGSO算法进行迭代寻优，得到萤火虫种群在搜索空间中的全局最优解，即得到BPNN对网络安全态势训练样本预测精度最高的一组向量参数Θ，并基于该组向量参数Θ来构建BP网络中各层之间的连接权值与各节点之间的阈值，进而得到具有网络安全态势值泛化能力的BPNN网络模型；所述步骤53中IGSO算法进一步包括以下步骤：步骤531，设定种群个体数目并在解空间中随机初始化个体位置，计算初始化种群每个个体的适应度函数值，同时生成公告板；步骤532，对种群中的所有萤火虫个体按li(t)＝(1‑ρ)li(t‑1)+γJ(xi(t))更新萤火素值，其中，li(t)表示第t次迭代中第i个萤火虫所携带的萤火素，ρ∈(0,1)为萤火素更新参数，γ为适应度函数参数，J(xi(t))为适应度函数，xi(t)为萤火虫i在第t次迭代的位置；步骤533，进入迭代阶段，求解种群中个体的邻居萤火虫的集合，如果邻居集合存在则转到步骤534，否则转到步骤536；步骤534，根据轮盘赌的方法计算萤火虫i在其决策域内的移动方向，同时为了摆脱陷入局部最优，引入变步长来代替固定步长进行移动步长的更新，并设定变步长公式为：s(t)＝s_maxe^ct，其中，t_max为最大迭代次数，s_min为最小移动步长，s_max为最大移动步长；步骤535，根据534的步长s(t)进行位置更新,则萤火虫在t+1次迭代的位置xi(t+1)的更新公式为：其中x_i(t)表示萤火虫i在第t次迭代的位置，x_j(t)表示萤火虫i在第t次迭代时决策域内的第j只萤火虫的位置，同时更新萤火虫个体的决策域，设定第i只萤火虫在t+1次迭代时刻的动态决策范围为：其中表示第i只萤火虫在第t次迭代时，它的决策域内所包含的萤火虫的集合，l_i(t)表示第t次迭代中第i个萤火虫所携带的萤火素，l_j(t)表示第t次迭代中第j个萤火虫所携带的萤火素，其中，j∈N_i(t)，||x||表示x的范数；r_s为萤火虫感知范围，为第i只萤火虫t次迭代时刻的动态决策范围，β为比例常数，n_t为邻居阈值；步骤536，计算当前种群所有个体对应的适应度函数值，取适应度函数值与公告板中的值进行对比，若优于公告板信息，则选择更新公告板；步骤537，根据条件判断，如果发生变异即当迭代次数大于2且公告板中连续3代的适应度函数值变化都小于u，则执行步骤538，若不发生变异执行步骤539；步骤538，执行自适应t分布变异，具体为：在萤火虫算法中引入自适应t分布变异操作，利用目前为止所有迭代次数中适应度函数值所属萤火虫个体的状态替换当前种群中最差萤火虫个体的状态，然后对本次迭代种群中的最优个体进行高斯变异，对其他的个体按式进行t分布变异，其中，是变异后个体的位置，k是1到0之间递减的变量，t(t_max)是以t_max为参数自由度的学生分布，t_max为最大迭代次数，进而计算所有个体变异后的适应度函数值，若优于公告板信息，则更新公告板；步骤539，完成一次迭代，判断迭代次数是否达到tmax，若满足则退出迭代，输出公告板上适应度函数值；若不满足执行步骤533，进行下一次迭代；所述步骤532中的适应度函数为：ε(t,X)＝y(t)‑yN(t,Θ)其中y(t)为期望输出，yN(t,Θ)为实际输出，N为训练集的样本数。